OpenAI വഴി Ringg: 65% വരെ കോളുകൾക്ക് പരിഹാരം

കോളുകൾ കൂടുമ്പോൾ ഉപഭോക്തൃസേവന വിഭാഗങ്ങൾ സാധാരണയായി ജീവനക്കാരെ കൂട്ടുന്നു. എന്നാൽ ഇത് ഓരോ ഇടപെടലിന്റെയും ചെലവും സങ്കീർണ്ണതയും വർധിപ്പിക്കുന്നു. ശബ്ദ, ചാറ്റ് ഏജന്റ് പ്ലാറ്റ്‌ഫോമായ Ringg⁠(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു), ഇന്ത്യയിലെ വലിയ ഉപഭോക്തൃസേവന സ്ഥാപനങ്ങളുമായി പ്രവർത്തിക്കുമ്പോൾ ഈ പ്രശ്നം നേരിട്ടറിഞ്ഞു.

കൂടുതൽ കോളുകൾക്ക് മറുപടി നൽകാൻ മാത്രമല്ല ഈ കമ്പനികൾ ബുദ്ധിമുട്ടിയത്. ഇൻഷുറൻസ് വാങ്ങുന്നതുമുതൽ അപ്പോയിന്റ്മെന്റ് ബുക്ക് ചെയ്യുന്നതുവരെ ഉപഭോക്താക്കളെ സഹായിക്കാൻ, പരസ്പരബന്ധമില്ലാത്ത മാനുവൽ സംവിധാനങ്ങളുമായും ജീവനക്കാർക്ക് മല്ലിടേണ്ടിവന്നു.

ഈ അനുഭവമാണ് GPT‑5.6 പോലുള്ള കാര്യക്ഷമമായ മോഡലുകൾ അടിസ്ഥാനമാക്കി, ശബ്ദം, ചാറ്റ്, WhatsApp, വെബ് എന്നിവയിലുടനീളം പ്രവർത്തിക്കുന്ന സ്ഥാപനതല ഏജന്റ് പ്ലാറ്റ്‌ഫോം നിർമിക്കാൻ Ringg-നെ പ്രേരിപ്പിച്ചത്. അനുയോജ്യമായ തത്സമയ ജോലികൾ GPT‑4.1‑ൽനിന്ന് GPT‑5.6‑ലേക്ക് മാറ്റിയതോടെ, ആവശ്യമായ ഗുണനിലവാരവും പ്രതികരണവേഗവും നിലനിർത്തി മോഡൽ ചെലവ് ഏകദേശം 90% കുറയ്ക്കാനായി.

Ringg-ന്റെ ഏജന്റുകൾ ഇപ്പോൾ പ്രതിമാസം 70 ലക്ഷത്തിലധികം കണക്റ്റ് ചെയ്ത കോളുകൾ കൈകാര്യം ചെയ്യുന്നു. അതിന്റെ ഉപഭോക്തൃസ്ഥാപനങ്ങളുടെ ശരാശരി ഉപഭോക്തൃ സംതൃപ്തി സ്കോർ 4.8 ആണ്.

ഉപഭോക്താവിന്റെ അഭ്യർഥന പൂർത്തിയാക്കാൻ ഏജന്റുകൾക്ക് പോളിസി പരിശോധിക്കുകയോ അക്കൗണ്ട് രേഖ കണ്ടെത്തുകയോ അപ്പോയിന്റ്മെന്റ് നിശ്ചയിക്കുകയോ ഉപഭോക്തൃബന്ധ സംവിധാനം പുതുക്കുകയോ വേണ്ടിവരാം. പ്രസക്തമായ വിവരങ്ങളോടെ സംഭാഷണം വിദഗ്ധന് കൈമാറേണ്ടിയും വരാം.

തത്സമയ ഇടപെടലുകളിൽ, അഭ്യർഥനകൾ മനസ്സിലാക്കാനും ഉപകരണങ്ങൾ തിരഞ്ഞെടുക്കാനും പല ഘട്ടങ്ങളുള്ള പ്രവർത്തനങ്ങളിൽ ഉപഭോക്താക്കളെ നയിക്കാനും Ringg, GPT‑5.6 Luna-യും മറ്റു മോഡലുകളും ഉപയോഗിക്കുന്നു. Ringg-ന്റെ ഏകോപന സംവിധാനം ഉപഭോക്തൃബന്ധ സംവിധാനങ്ങൾ, സേവന ടിക്കറ്റ് പ്ലാറ്റ്‌ഫോമുകൾ, പണമടയ്ക്കൽ സംവിധാനങ്ങൾ, സമയക്രമ ഉപകരണങ്ങൾ, ആന്തരിക എപിഐകൾ എന്നിവയിൽ പ്രവർത്തനങ്ങൾ നടത്തുന്നു. ആവശ്യമെങ്കിൽ സംഭാഷണസംഗ്രഹത്തോടെ വിഷയം ജീവനക്കാരന് കൈമാറുന്നു.

ഡാറ്റാസെറ്റുകൾ, പിഡിഎഫുകൾ, സിഎസ്‌വി ഫയലുകൾ, ബിസിനസ് രേഖകൾ എന്നിവയിൽ ഘടനാധിഷ്ഠിത അരിച്ചെടുക്കലും അർഥാധിഷ്ഠിത വിവരാന്വേഷണവും Ringg-ന്റെ വിജ്ഞാനസംവിധാനം സംയോജിപ്പിക്കുന്നു. പ്രസക്തമായ സ്ഥാപനവിവരങ്ങൾ ഉപയോഗിച്ച് മറുപടി നൽകാൻ ഇത് ഏജന്റുകളെ സഹായിക്കുന്നു.

യോഗ്യത നിർണയം, സഹായം, സ്ഥിരീകരണം, സമയക്രമീകരണം, മേൽനിലയിലേക്കുള്ള കൈമാറ്റം എന്നിവയ്ക്കുള്ള പ്രത്യേക ഉപഏജന്റുകൾക്കിടയിൽ ജോലി വിഭജിക്കാനും Ringg-ന് കഴിയും. ശബ്ദം, ചാറ്റ്, WhatsApp, വെബ് എന്നിവയിലുടനീളം ഉപഭോക്താവുമായുള്ള സംഭാഷണത്തിന്റെ തുടർച്ച നിലനിർത്തിക്കൊണ്ട് പ്ലാറ്റ്‌ഫോം ഈ ഘട്ടങ്ങൾ ഏകോപിപ്പിക്കുന്നു.

സംഭാഷണനിലവാരം, പ്രതികരണസമയം, നിർദേശങ്ങൾ പാലിക്കൽ, ഉപകരണങ്ങൾ വിളിക്കൽ, ബഹുഭാഷാ പ്രകടനം, വിശ്വാസ്യത, ചെലവ് എന്നിവയിൽ Ringg, OpenAI-യെ മറ്റു സംവിധാനങ്ങളുമായി താരതമ്യം ചെയ്തു. യഥാർഥ ഉപയോഗത്തിന് ഏറ്റവും മികച്ച സംതുലനം OpenAI നൽകുന്നതായി കണ്ടെത്തി.

സങ്കീർണ്ണ നിർദേശങ്ങൾ പാലിക്കൽ, ഉപകരണങ്ങൾ വിളിച്ച് പ്രവർത്തിപ്പിക്കൽ, സംഭാഷണസന്ദർഭം നിലനിർത്തൽ, സ്ഥാപനതലത്തിൽ വിശ്വസനീയമായി പ്രവർത്തിക്കൽ എന്നിവയിലും GPT‑5.6‑ഉം മറ്റു OpenAI മോഡലുകളും കൂടുതൽ സ്ഥിരത പുലർത്തി.

ജോലിയുടെ ആവശ്യങ്ങൾക്കനുസരിച്ച് Ringg ഒരു പ്രത്യേക OpenAI മോഡലിലേക്ക് അത് അയയ്ക്കുന്നു. തത്സമയ ശബ്ദ, ചാറ്റ് ഇടപെടലുകളിൽ ഭൂരിഭാഗവും GPT‑4.1 കൈകാര്യം ചെയ്യുന്നു. GPT‑5.6 Luna പ്രവർത്തനസംവിധാനത്തിൽ തുടരുന്നു. അതിന്റെ പ്രകടനമോ പ്രതികരണസമയമോ ചെലവിനൊത്ത പ്രകടനമോ ഒരു അഭ്യർഥനയ്ക്ക് കൂടുതൽ അനുയോജ്യമാകുമ്പോൾ അത് ഉപയോഗിക്കുന്നു. സംഗ്രഹങ്ങളും വികാരവർഗീകരണവും ഉൾപ്പെടെ, കോളിനു ശേഷമുള്ള വിശകലനം GPT‑5.6 Terra കൈകാര്യം ചെയ്യുന്നു. മൂല്യനിർണയം, പ്രോംപ്റ്റ് മെച്ചപ്പെടുത്തൽ, മോഡലിനെ വിധികർത്താവായി ഉപയോഗിക്കുന്ന പ്രവർത്തനക്രമങ്ങൾ എന്നിവയെ GPT‑5.6 Sol പിന്തുണയ്ക്കുന്നു.

ഉപഭോക്താവ് കോളിൽ സംസാരിക്കുകയോ ചാറ്റ് അയയ്ക്കുകയോ ചെയ്യുമ്പോൾ, Ringg-ന്റെ ഏകോപന സംവിധാനം ആ വിവരത്തെ ഏജന്റിന്റെ നിർദേശങ്ങൾ, സംഭാഷണചരിത്രം, ഉപഭോക്താവിന്റെ ഡാറ്റ, വിജ്ഞാനശേഖരത്തിലെ പ്രസക്തമായ വിവരങ്ങൾ, ലഭ്യമായ ഉപകരണങ്ങൾ എന്നിവയുമായി ചേർക്കുന്നു. തുടർന്ന് Ringg-ന്റെ റൂട്ടിങ് സംവിധാനം അനുയോജ്യമായ മോഡലും ക്രമീകരണവും തിരഞ്ഞെടുക്കുന്നു. മോഡലിന്റെ മറുപടി ഏകോപന സംവിധാനത്തിലൂടെ ഉപഭോക്താവ് തിരഞ്ഞെടുത്ത മാധ്യമത്തിൽ എത്തിക്കുന്നു.

നീണ്ട ഇടപെടലുകളിൽ, സന്ദർഭവിവരങ്ങൾ ഏകദേശം 80,000 ടോക്കണിലെത്തുമ്പോൾ സംവിധാനം ഘടനാബദ്ധമായ ഒരു സംഗ്രഹം തയ്യാറാക്കുന്നു. അതോടെ, മുഴുവൻ ചരിത്രവും ആവർത്തിച്ച് അയയ്ക്കാതെ, പ്രധാന വിവരങ്ങൾ നിലനിർത്തി സംഭാഷണം തുടരാം.

യഥാർഥ ഉപയോഗത്തിൽ വിന്യസിക്കുംമുമ്പ്, പഴയ സംഭാഷണങ്ങളും അനുകരിച്ച ഉപഭോക്തൃ ഇടപെടലുകളും ഉപയോഗിച്ച് Ringg മോഡലുകൾ പരീക്ഷിക്കുന്നു. ആ ഫലങ്ങളിൽനിന്ന് പോരായ്മകൾ കണ്ടെത്തി പ്രോംപ്റ്റ് മെച്ചപ്പെടുത്തലുകൾ നിർദേശിക്കാൻ അതിന്റെ മൂല്യനിർണയ പ്ലാറ്റ്‌ഫോം സഹായിക്കുന്നു. ഇതിലൂടെ ഏജന്റുകളെയും ക്രമീകരണങ്ങളെയും തുടർച്ചയായി മെച്ചപ്പെടുത്തുന്നു.

ഒരു മൂല്യനിർണയം Ringg-ന്റെ കോളിനു ശേഷമുള്ള വിശകലനത്തെക്കുറിച്ചായിരുന്നു. കമ്പനി GPT‑5.6 Terra-യെ Gemini 2.5 Flash പോലുള്ള മറ്റു മോഡലുകളുമായി താരതമ്യം ചെയ്തു. Terra മുന്നിലെത്തി. സംഗ്രഹങ്ങളും വികാരവർഗീകരണവും Ringg, GPT‑5.6 Terra-യിലേക്ക് മാറ്റി. സംഗ്രഹങ്ങളിലും വികാരവിശകലനത്തിലും ഉയർന്ന കൃത്യത നിലനിർത്തിയ Terra, ഓരോ ജോലിയുടെയും ചെലവ്-നേട്ട അനുപാതം ഗണ്യമായി മെച്ചപ്പെടുത്തി.

ഭാഷാ, പ്രാദേശിക വ്യത്യാസങ്ങളിലും കമ്പനി മോഡലുകളെ പരീക്ഷിക്കുന്നു. സേവനം നൽകുന്ന വിപണികളിൽ സാധാരണമായ, ഭാഷകൾ മാറിമാറി ഉപയോഗിക്കുന്നതോ ഇംഗ്ലീഷിനൊപ്പം പ്രാദേശിക പ്രയോഗങ്ങൾ ചേർക്കുന്നതോ ആയ സംഭാഷണങ്ങളും ഇതിലുണ്ട്. പൊതുവായി ഉപയോഗിക്കുന്ന പ്രാദേശിക ഭാഷകളിൽ 97% വരെ കൃത്യതയോടെ GPT‑5.6 Terra, Gemini 2.5 Flash-നെ മറികടന്നു. ഇതോടെ Ringg-ന്റെ ഉപഭോക്താക്കൾക്കായുള്ള ഏജന്റുകൾക്ക് GPT‑5.6 കൂടുതൽ അനുയോജ്യമായി.

ഓഫ്‌ലൈൻ പരീക്ഷണങ്ങൾ വിജയിക്കുന്ന മോഡലുകൾ ആദ്യം യഥാർഥ ഇടപെടലുകളുടെ ചെറിയൊരു വിഹിതത്തിൽ ഉപയോഗിക്കുന്നു. പിന്നീടാണ് വിന്യാസം വിപുലപ്പെടുത്തുന്നത്. യഥാർഥ ഉപയോഗത്തിൽ, വിവിധ മേഖലകളിലെ പ്രതികരണസമയവും എൻഡ്‌പോയിന്റുകളുടെ പ്രവർത്തനനിലയും Ringg-ന്റെ റൂട്ടർ നിരീക്ഷിക്കുന്നു. ഒരു എൻഡ്‌പോയിന്റ് ലഭ്യമല്ലാതാകുകയോ പ്രതികരണസമയ പരിധി കടക്കുകയോ ചെയ്താൽ ഇടപെടലുകൾ വഴിതിരിച്ചുവിടുന്നു. പ്രത്യേക നോഡുകൾ, മുന്നറിയിപ്പുകൾ, പതിപ്പുകൾ തിരിച്ചുള്ള വിന്യാസങ്ങൾ എന്നിവ പ്രശ്നങ്ങൾ വേർതിരിച്ച് അവയുടെ ആഘാതം പരിമിതപ്പെടുത്താൻ സഹായിക്കുന്നു.

ഓരോ ജോലിയുടെയും ചെലവ്-നേട്ട അനുപാതം മെച്ചപ്പെടുത്താനും ഈ സമീപനം Ringg-നെ സഹായിക്കുന്നു. ചില തത്സമയ ജോലികൾ GPT‑4.1‑ൽനിന്ന് GPT‑5.6 Luna-യിലേക്ക് മാറ്റിയത് മോഡൽ ചെലവ് ഏകദേശം 90% കുറച്ചു.

Ringg-ന്റെ ഏജന്റുകൾ അതിന്റെ ഉപഭോക്തൃസ്ഥാപനങ്ങൾക്കായി പതിവ് അന്വേഷണങ്ങളിൽ 65% വരെ ജീവനക്കാരുടെ ഇടപെടലില്ലാതെ പരിഹരിക്കുന്നു.

ഇന്ത്യയിലെ ഏറ്റവും വലിയ ഓൺലൈൻ ഇൻഷുറൻസ് പ്ലാറ്റ്‌ഫോമുകളിലൊന്നായ Policybazaar, 57,000-ലധികം ഉപഭോക്തൃ അഭ്യർഥനകളിൽ ബന്ധപ്പെടാൻ Ringg ഉപയോഗിക്കുന്നു. 67% കോളുകളും മനുഷ്യരുടെ ഇടപെടലില്ലാതെ കൈകാര്യം ചെയ്യുന്നു. Policybazaar-ന്റെ ശരാശരി പ്രതികരണസമയം 8–12 മിനിറ്റിൽനിന്ന് 60 സെക്കൻഡിൽ താഴെയായി കുറഞ്ഞു. ഏകദേശം 88% പുരോഗതി.

ആഗോള ആരോഗ്യസേവന പ്ലാറ്റ്‌ഫോമായ Practo-യിൽ, ചികിത്സയ്ക്കുള്ള അപ്പോയിന്റ്മെന്റുകൾ ബുക്ക് ചെയ്യാനും സേവന അഭ്യർഥനകൾ പൂർത്തിയാക്കാനും Ringg-ന്റെ ഏജന്റുകൾ സഹായിക്കുന്നു. വിന്യാസത്തിനുശേഷം Practo-യ്ക്ക് 85% അഭ്യർഥനകൾ ആദ്യ കോളിൽത്തന്നെ പരിഹരിക്കാനായി. പ്രതികരണസമയം മൂന്ന് സെക്കൻഡിൽ താഴെയായി. മുമ്പത്തെ ജീവനക്കാരെ ആശ്രയിച്ചുള്ള പ്രവർത്തനക്രമത്തെ അപേക്ഷിച്ച് പ്രവർത്തനച്ചെലവ് 70% കുറഞ്ഞു. Ringg ഇപ്പോൾ പ്രതിദിനം 1,000-ലധികം അപ്പോയിന്റ്മെന്റ് ബുക്കിങ്ങുകൾ പൂർത്തിയാക്കുന്നു.

ഓൺലൈൻ നിക്ഷേപ പ്ലാറ്റ്‌ഫോമായ Groww, ഐപിഒകൾ, ഫ്യൂച്ചേഴ്സ്, ഓപ്ഷനുകൾ എന്നിവയെക്കുറിച്ചുള്ള അന്വേഷണങ്ങളിൽ 72% പൂർണമായും സ്വയംസേവനത്തിലൂടെ പരിഹരിക്കാൻ Ringg ഉപയോഗിക്കുന്നു. ശരാശരി കൈകാര്യംചെയ്യൽ സമയം രണ്ട് മിനിറ്റാണ്.

OpenAI-യുടെ കമ്പ്യൂട്ടർ ഉപയോഗിക്കാനുള്ള കഴിവുകളിലൂടെ Ringg ബ്രൗസർ ഏജന്റുകളെ വികസിപ്പിക്കുന്നു. പ്ലാറ്റ്‌ഫോമിലെ പ്രാരംഭ സജ്ജീകരണം, ഉപഭോക്തൃ തിരിച്ചറിയൽ പരിശോധന, ഐടി പ്രശ്നപരിഹാരം, അടിയന്തര സംഭവങ്ങളിലെ സഹായം, ക്ലെയിം തീർപ്പാക്കൽ എന്നിവയ്ക്കാണിത്.

വിവിധ മാധ്യമങ്ങളിലും ഇടപെടലുകളിലും വിവരങ്ങൾ നിലനിർത്താൻ കഴിയുന്ന ഒരു സന്ദർഭസംവിധാനവും കമ്പനി വികസിപ്പിക്കുന്നു. ഒരു ഉപഭോക്താവിന് ശബ്ദത്തിലൂടെ അഭ്യർഥന തുടങ്ങി, WhatsApp-ൽ തുടർന്ന്, ബ്രൗസറിൽ പൂർത്തിയാക്കാം. ഓരോ തവണയും ഒരേ വിവരങ്ങൾ ആവർത്തിക്കേണ്ടതില്ല.

Ringg-ന്റെ കാഴ്ചപ്പാടിൽ, അടുത്ത തലമുറ ഉപഭോക്തൃസേവനത്തിന്റെ അളവുകോൽ കോളുകളുടെയോ ജീവനക്കാരുടെയോ എണ്ണമല്ല. കൈവരിച്ച ബിസിനസ് ഫലങ്ങളും പ്രവർത്തനങ്ങൾ എത്രത്തോളം സ്വയമേവ നടക്കുന്നുവെന്നതുമാകും.